¿Es posible combinar dos algoritmos no supervisados ​​en serie para maximizar la precisión?

Algo así como: Bosque aleatorio: aprendizaje no supervisado con bosques aleatorios

o tal vez esto y / o lo anterior sea relevante:

Por ejemplo, [eXtreme] [Gradiente] Impulso (aprendizaje automático) “¿Puede un conjunto de estudiantes débiles crear un solo estudiante fuerte ? [..] Sin embargo, la investigación ha demostrado que las categorías de objetos y sus ubicaciones en las imágenes también se pueden descubrir de forma no supervisada. [10] ”

(no solo para el idioma Julia):

dmlc / XGBoost.jl “es una interfaz de Julia de XGBoost, [..] La biblioteca está paralelizada usando OpenMP, y puede ser más de 10 veces más rápida que algunos paquetes de aumento de gradiente existentes”.

[Todavía estoy aprendiendo, así que tal vez solo estoy apuntando en la dirección equivocada y / o simplemente trabajo para supervisado.]

Si crees que todo esto funciona solo para supervisados, es posible que tengas razón o … y si crees que convertir un algoritmo supervisado en no supervisado es lo último en tecnología, entonces creo que tienes razón, pero al menos mira:

Una teoría probabilística del aprendizaje profundo

https://arxiv.org/pdf/1504.00641 …

“Como tal, la teoría presentada aquí hace una predicción clara de que para un DCN, el aprendizaje supervisado de los objetivos de la tarea conducirá inevitablemente a un aprendizaje no supervisado de variables molestas de tareas latentes.

Desde la perspectiva del aprendizaje múltiple, esto significa que la arquitectura de DCN está diseñada para aprender y desenredar las dimensiones intrínsecas del múltiple de datos.

[..]

A la luz de estos resultados, cuando hablamos de la capacitación de DCN, la distinción tradicional entre aprendizaje supervisado y no supervisado está mal definida en el peor de los casos y, en el mejor de los casos, engañosa. [..]

Una versión dinámica del DRM se entrenaría sin supervisión externa en grandes cantidades de datos de video (utilizando el algoritmo EM correspondiente) “.

Creo que el término “precisión” es más apropiado en el contexto del aprendizaje supervisado, más específicamente en la clasificación.

¿Qué significa “serie”?

Si se trata de una arquitectura de sistema de clasificación múltiple en serie (MCS) como se menciona aquí [1], no creo que el sistema consista en algoritmos no supervisados. Debe consistir en modelos construidos utilizando algoritmos supervisados.

De lo contrario, si “forma en serie” se refiere al método como en la generalización apilada [2], puede ser posible. El clasificador de nivel 1 o de nivel inferior se puede sustituir por un modelo construido utilizando un algoritmo de aprendizaje no supervisado, pero el algoritmo de aprendizaje de nivel más alto (creo que es mejor llamarlo como metaclasificador) debe construirse utilizando un algoritmo de aprendizaje supervisado.

Cualquier corrección a esta respuesta será apreciada.

[1] Ponti Jr, Moacir P. “Combinando clasificadores: desde la creación de conjuntos hasta la fusión de decisiones”. Tutoriales de gráficos, patrones e imágenes (SIBGRAPI-T), 24ª Conferencia SIBGRAPI 2011 sobre . IEEE, 2011.

[2] Wolpert, David H. “Generalización apilada”. Redes neuronales 5.2 (1992): 241-259.